零样本

VLN-Zero：零样本机器人导航的神经符号视觉语言规划框架摘要：在未知环境中实现快速适配是机器人实现规模化现实世界自主化的关键要求，然而现有方法要么依赖穷尽式的环境探索，要么采用刚性的导航策略，均无法实现良好的跨环境泛化。本文提出 VLN-Zero—— 一款分两阶段的视觉语言导航框架，该框架利用视觉语言模型高效构建符号化场景图，并实现零样本的神经符号导航。在探索阶段，通过结构化提示词引导基于视觉语言模型的探索过程走向具备信息性和多样性的轨迹，最终生成紧凑的场景图表示。在部署阶段，神经符号规划器通过对场景图和环境观测的推理生成可执行的规划方案，同时缓存增强的执行模

零样本学习（Zero-Shot Learning, ZSL）补充零样本学习（Zero-Shot Learning, ZSL）是一种机器学习范式，它允许模型在没有任何特定任务的标注数据的情况下，通过利用已有的知识来推断和完成新任务。这种能力对于处理罕见类别或快速适应新环境非常重要，因为在这些情况下获取大量标注数据可能是不切实际的。这种学习方式对于处理现实世界中标签数据稀缺的问题尤为重要。

论文阅读-FoundationStereo由于训练数据集的激增和深度神经网络架构的进步，最近的立体匹配算法可以取得惊人的结果，几乎使最具挑战性的基准测试饱和。然而，对目标域的数据集进行微调仍然是获得有竞争力的结果的首选方法。鉴于通过scaling law在计算机视觉中的其他问题上表现出的零样本泛化能力，是什么阻止了立体匹配算法实现类似的泛化水平？作者认为，无法实现零样本泛化能力，要么是网络架构的结构不足，要么是训练数据贫乏，或者两者兼而有之。 FoundationStereo从网络结构和数据集两个方面进行创新，得到了零样本泛化能力极强的立体匹配模

【机器人】复现 SG-Nav 具身导航 | 零样本对象导航的在线3D场景图提示SG-Nav提出了一种新的零样本物体导航框架，用三维场景图来表示观察到的场景。并设计了一个分层的思路链提示，帮助LLM通过遍历节点和边，根据场景上下文推理目标位置。

π0：仅有3B数据模型打通Franka等7种机器人形态适配，实现0样本的完全由模型自主控制方法Chelsea Finn引领的Physical Intelligence公司，专注于打造先进的机器人大模型，近日迎来了一个令人振奋的里程碑。在短短不到一年的时间内，该公司成功推出了他们的首个演示版本。这一成就不仅展示了团队的卓越技术实力，也预示着机器人技术的未来发展将更加智能化和高效。

定制化视频生成新模范！零样本主体驱动，精确运动控制！复旦&阿里等发布DreamVideo-2文章链接：https://arxiv.org/pdf/2410.13830 项目链接：https://dreamvideo2.github.io/

Prompt Engineering Guide本文转载自：Prompt Engineering Guide https://www.promptingguide.ai/zh/introduction/basics

大数据AI人工智能培训专家培训讲师叶梓

探索大语言模型在信息提取中的应用与前景随着人工智能技术的快速发展，大语言模型（LLMs）在自然语言处理（NLP）领域取得了显著的进展。特别是在信息提取（IE）任务中，LLMs展现出了前所未有的潜力和优势。信息提取是从非结构化文本中抽取结构化信息（如实体、关系和事件）的过程，对于知识图谱构建、自动问答系统等应用至关重要。然而，传统的IE方法面临领域依赖性强、泛化能力弱等挑战。

利用大模型MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7实现零样本分类1、零样本分类：在没有样本标签的情况下对文本进行分类。2、nli:(Natural Language Inference),自然语言推理

我是有底线的